对手的年度开发者大会定在美西时间 9 月 29 日。就在开幕前一天夜里，一家美国公司把新一代中杯模型放了出来。
命名沿用上一代的规矩，叫 Claude Sonnet 5.5。官方给它的活是当主力打工人。要快，要省钱，日常那些活儿还得顶得住。
比起上一代，它跑得快了三成。做完同一件事的开销，最高也降三成。标价只有自家大杯的一半，性能却基本追平。
更反常的是智能体编程测试。上一代在这一科排末尾。这一代直接冲到自家第一。得分 70.6%，差不多是原来的七倍，比大杯的 66.4% 还高。
上线没多久，一家第三方评测机构把智能指数榜重排了一遍。前三名全被这家公司包圆。这款中杯排在第二，前头只有自家更大的一款。
排第三的那款，四周前才刚发布。它的标价是这款中杯的五倍。一个月工夫，大杯级别的能力就按中杯的价卖了。
官方还给开发者留了个旋钮。档位调低，答得飞快，耗的词元极少。档位调高，模型会反复检查自己的活儿。日常任务和硬骨头，两套调法。
定价表面上没动。每一百万输入词元 2 美元，输出 10 美元，缓存读取 0.2 美元。
套路藏在效率里。
模型变聪明以后，同一件事要的词元大幅缩水。每个任务的实际开销最多降三成。用更少的词元办更大的事。
下面这两张，是同一个指令下两代模型的产出对比。
半价的中杯，把自家大杯反超了
先看编码。第三方榜单上，这款中杯拿到 64%，高于自家大杯的 60%。对手家新模型的分数也是 60%。
在终端环境里的编程测试上，它拿 53%，排到第三。只输给对手的新模型和自家大杯。日常 AI编程 的活儿，多半就落在这一档。
写代码的另外两项，它同样咬得很紧。一项最高拿到 52.1%，压过了对手的新模型。另一项模拟真实编程会话的测试，它拿到 55.5%，只比大杯低两个多点。上一代这项只有 34.1%。
有一家编辑器厂商当天就宣布接入。他们放出的测试分数是 55%。早期内测的人说得更直白。它读懂庞大代码库的速度快得吓人。
办公能力也追上了。一个测 44 种职业交付能力的榜上，它拿 1844 分。大杯是 1846 分，差两分。
考长程知识工作的另一项，它拿 1811 分。大杯是 1822 分，几乎打平。对手的新模型在这项低了三百多分。
最让人意外的是审美。
这一代主动懂设计了。它能自己美化界面，也能照着幻灯片模板出稿。成品几乎不用人再改。
官方内部有个案例。测试人员把一家上市公司的季度财报、电话会议记录和一个模板一起丢进去，要求出一份十页的运营审查稿。初稿被两位人类专家判为可以直接发送。
在带工具的综合考试里，它拿 64.5%，比上一代高了将近十个百分点。另一个榜单上，它首次上榜就排到第二，只比自家大杯低 0.47 分。
四周前那款大杯发布时，还是全球最强的编程与知识工作模型。现在，这款中杯在两三个科目上已经反超。
有位科技博主当天发了条动态。他说这家公司正在疯狂上菜。
还有个办公复杂任务测试。它的整体准确率到了 65%，上一代是 61%。交付速度快了约 2.4 倍，词元消耗还降了一成二。
速度与准头在智能体任务里通常互相拉扯。能同时兼顾，算是实打实的进步。
它搭出的旧金山，着火会自己派消防车
测试里更直观的是这类活儿。
一位拿到提前测试资格的博主，发布当天放出一长串实测。他让模型在游戏引擎里现场搭了一座旧金山。街上车流不断，还有骑自行车的人穿过路口。
输入一句那座金字塔起火，系统立刻把火情评到 4.6 级，满分 10 级。随后它自主派出五辆消防车和三辆警车。远处大楼冒起黑烟，警车闪着灯赶到路口，当场拉起警戒线。
水下场景也顺手。帆船先在暴风雨里颠簸，天色从黄昏切到夜里。镜头往下一沉潜进水里，成群的鱼从头顶游过。
还有能直接上手玩的闯关游戏。六十个角色挤在同一张地图上。有一关踩过的地砖会立刻塌掉。还有一关要顶着滚下来的石头冲上山顶抢皇冠。
连星舰都被做成了可交互的爆炸图。整艘飞船一层层拆开，一直拆到底部的发动机。
他还让模型生成了一款在线积木游戏。
不过也有人不买账。
一位开发者维护着一个积木星球挑战。他要求做一个带剧情的可互动三维世界。结论是这款中杯没能一次搭出整个世界，对手家的另一款做到了。
另一位博主则感慨，三维模拟这块已经被拿下。
快也是它的卖点。
同一个题目，让两代模型并排写一段鸟群模拟代码。这一代写完代码时鸟群已经飞了九秒。上一代还在一行行往外蹦代码。
只看截图，就通关了困住前任一年多的游戏
游戏这一项，它破了一个放了很久的纪录。
它成了第一个只看游戏截图、就通关初代宝可梦的中杯模型。这家公司为了这一关，已经折腾一年半。
关键变化是它长出了眼睛。
在一项强读复杂图表的测试里，它从上一代的 15.6% 涨到 61.6%，翻了近四倍。在看着截图操作电脑的那项测试里，它涨到 80.1%。自家大杯是 81.8%，只差 1.7 个点。
有位网友当场让它给自己做了一款游戏。
成品是一款墨西哥怪物风格的掌机游戏。剧本，角色，音乐，全都齐了。单文件 2342 行代码。一个提示词就长出了一个新游戏。
档位开到最高，反而更贵
便宜有个前提。你能省多少钱，全看把努力档开到哪一格。
低档和中档下，它常常能打赢上一代的满档。开销只有十分之一。
但把档位推到最高，情况就变了。
最高档下，它每做一道题平均要吐出 19.3 万个输出词元。这是那家评测机构测过的历史最高纪录。比自家大杯多吐六成，大约是附近几家的七倍。
所以哪怕单价减半，满档跑一个任务也要花 7.60 美元。这比上一代贵了五成，比自家大杯的 5.98 美元还贵，直接逼近更大一款的 7.63 美元。
满档甚至还会帮倒忙。
在一项代码合并测试里，它开最高档只拿到 46.2%，反而比低一档的 52.1% 更低。原因是满档状态下它太爱调用审查工具，把活儿包给一大群子智能体。结果要么跑超时，要么手伸到任务范围之外的代码上，直接被扣分。
所以真要省钱，修缺陷、写文档这种日常活，开中档或高档最划算。复杂的长任务，交给大杯的高档更稳妥。
宁可多花两分钟挑一挑档位，也别让账单悄悄翻倍。
护城河也顺带升级了。这一代加了防蒸馏机制。
官方原话是，它是首款搭载安全分类器、以防推理被提取的型号。这意味着模型脑子里的思考过程无法与账户解绑，换个账号接着聊也不作数。
对正经开发者来说，日常使用感觉不到变化。想白拿核心能力的那条路，则被堵住了。
它的网安能力也一并升了级，成了第一款配齐同级别防护与回退机制的型号。碰到高风险网安任务，系统会自动退回上一代。在生物学领域，它同样会拦下高风险请求。
压力现在给到了对手那边。
9 月 22 日，这家公司发大杯，九十分钟后对手连发两款新模型，双方直接硬刚。六天后，中杯落地，标价与对手的一款完全相同，智能指数却压了一头。
对手的开发者大会就定在中杯发布的第二天。前沿能力的价格已经被拉到这份上，那边要拿什么接。
用 AI工具 的人未必追新，但价格的松动会一层层传下来。
这类 AI对话 场景的付费档位，也会跟着重排。
Claude Code会员中转站 微信:douhanq
